拆解商业分析模型 , 打造业务分析胜任力

数据分析少不了商业分析模型，当分析没有思路，其实都可以借助分析模型的学习来弥补不足，来加速分析的成功以及结果落地。大家在工作中或许接触过一些经典的商业分析模型，也曾照猫画虎式的用其分析过一些商业现象，但如何使用，在什么场景下使用，可能会有些模糊的界限。

那么，本期邀请了有着10年数据分析经验，现任吉利汽车.数据分析经理许申平老师，多年数据分析经验，有这多个实战项目经历，将为大家分享商业分析模型，打造业务分析胜任力！！

数据分析学习，在于将别人的知识转化成自己的知识，食之化尽，举一反三。今天将会拆解六个商业分析模型⾯来深⼊探讨《拆解商业分析模型，打造业务分析胜任力》。

1、常用分析模型

2、常用模型理论&案例分享

3、模型&答疑

为了更好的后面做好小飞象内部交流会，需要您帮忙做两件事情：第一，您想想这次为什么想参加这一期的交流会，以及希望在交流会中希望收获到什么？第二，在交流会结束后，请和我说一下您的收获和感受。 做一个对世界充满好奇的人！在分享之前，我们可以先思考几个问题： ★你了解多少数据模型，到底数据分析要懂多少模型？ ★实际工作中真的要用到那么多模型？ ★在什么场景下使用什么数据分析模型？ ......  

这次分享将为大家打开一扇窗，从新的视角去认知数据分析，拆解商业分析模型，提升业务分析能力。在分享的过程中，建议全程认真听，带着思考来听（去看），希望通过本次分享，来给大家做一次系统的数据分析可视化分享，来解答大家对于可视化的疑点，并给做数据分析的人员提供一些思路，有任何问题都可以随时交流哦！

大家好，今天的分享主要从两个方向展开，第一常用的分析模型有哪些；第二如何理解这些模型，并使用到实际业务中。很多同学都会有这个疑问：

·到底数据分析要懂多少模型

·工作中真的要用到那么多模型？

·我干的到底算不算模型？

来带着这3个问题，来听这次分享。

1、“模型”全盘梳理

根据一共大佬梳理的模型，主要是4个方面，基于理论的、基于指标计算的、基于运筹学数学方法的、基于机器学习的，这里举例了一些常用模型，或多或少大家都有听过。比如16期黄佳老师分享的AARRR海盗模型。如图：

2、常用的分析模型

其实这些模型也用很多使用场景，比如从事咨询、战略工作的，经常用到Swot 分析，而今天我们主要从下面三模从选择常用的分析模型进行分享。如图：

—▼—

那我们就来看看今天给大家带来的6个常用分析模型：漏斗模型、层次分析模型、Osm模型、RFM模型、聚类分析、判别分析。

1、漏斗模型

1898 年，美国有一个叫 Elmo Lewis 的人，提出了漏斗模型的概念，后来被总结为 AIDA 模型，也称为「爱达」公式，首字母分别代表：

（1）注意 Attention

（2）兴趣 Interest

（3）欲望 Desire

（4）行动 Action

从吸引客户的注意，到引起客户的兴趣，再到产生拥有的欲望，最后形成购买的行动，每个环节都会有客户流失，越靠后的环节，客户数量往往就越少，画出来的图形，就像一个漏斗，所以叫作“漏斗图”。

漏斗模型，指多个自定义事件序列按照指定顺序依次触发的流程中的量化转化模型。也就是从起点到终点有多个环节，每个环节都会产生用户流失，依次递减，每一步会有一个转化率。

如下图就是经典的漏斗模型应用案例，比如电商购买漏斗，比如上期的AARRR模型，等等，基于不同应用场景的漏斗应用。

· 传统的销售漏斗难以应对新变化

但实际上随着业务的变化，传统的销售漏斗也很难应对。比如车企销售管理中经常使用销售漏斗模型（面对消费者链路加速分化的趋势，漏斗管理的局限性也日益显现）。所以，车企需要从用户角度出发，围绕销售链路升级管理体系，构建全新的链路管理体系。

· 重新定义消费者购车链路

归纳总结出消费者购车旅程的“5R”模型，包含触达、种草、探索、交易、推荐五大环节，结合传统基础指标，新增了运营指标，更全面的监控各链路的数据运营情况。

集合5R模型与现在各链路的情况，可以看到购车链路全景图，这是一共升级版的漏斗模型。

沉淀形成全新的消费者购车链路聚类方法论：

第一步，基于大规模调研和专项用户访谈形成的品牌用户购车行为的结构化数据；

第二步，通过全链数据差异化分析，梳理和总结目标消费者购车链路的重要分化；

第三步，对具有不同特征和一定人群覆盖的消费者购车链路进行归纳与聚类。

此前BCG总结了当前市场最典型的五大消费者购车链路，大家可以对照看下自己属于哪类人群，以及的关键特征是不是相似的，通过人群的划分，有利于更精准实施用户广告投放、用户运营等策略。

2、层次分析

层次分析模型可能工作中大家用的比较少，其实有学过数学建模的同学应该知道层次分析模型还是非常有用的。

层次分析，又名专家判别法，简称AHP，这是为了解决某一问题，而该问题会受到多种因素的影响，通过系统性的给各因素赋予权重值，最后通过量化的方式决策出合理的方案。一般我们分三层：目标层、准则层、方案层，其中准则层可能有多层。

·AHP层次分析法—旅游景点选择

我们来看一个例子，度蜜月，现在要选择一个最合适的旅游景点，我们根据影响因素，可选的方案，以及自身对这些影响因素的打分，得到判别矩阵。

大家可以结合右表中对数据重要程度的定义，得到左图的判别矩阵。

再根据各影响因素，对不同方案的判别矩阵。

最后我们计算一致性比例，如果不能通过一次性检验，就需要去修正前面的判别矩阵。如果通过了一次性检验，我们就可以计算出各准确层的权重，从而计算不同方案的得分。

3、OSM模型

顾名思义，O是Objective，目标的缩写；S是Strategy，策略的缩写

；M是Measurement，度量的缩写；

Osm是一套业务分析框架，非算法模型；适用于：目标已经清晰，行动方向已经明确的情况。把宏大的目标拆解，对应到部门内各个小组具体的、可落地、可度量的行为上，从保证执行计划没有偏离大方向。

·OSM模型-案例

我们来看一个生鲜电商App的案例，老板给运营部门一个目标：提升沉睡用户付费激活率，至少提高一倍吧。

所以，我们第一步是要先把语文变成数学，定义O，其中数据统计口径要和业务方确认清楚。

做数据计划，第一步就是把语文变为数据，用准确的描述替代朦胧的文字，不然没法监控也没法落地。注意：数据统计口径要和业务方确认清楚。

第二步是找到可以改善目标的 策略S，大家可以看到用户登录到付款转化流程图 ，实际上是一个漏斗模型，那 对应的策略分别有。。。其中我们 把直接作用于用户 的叫一级策略 ，离用户远的是二级策略。

OSM模型有正向和反向使用两种用法：

1）正向使用：在项目开始前，分解大目标，明确行动和每个行动考核指标；即上述案例的工作流程。

2）反向使用：项目前期没有做啥筹备，事后复盘发现一堆问题；这时候想要检讨为啥做烂了，也能按这个思路，把项目中做的事一一梳理出来，看这些事能影响什么子指标，实际影响到了没有，这些子指标和大目标之间有啥联系。

在数据驱动氛围不好的企业里，反向使用的用处更大！因为很多企业就是干事拍脑袋，出事拍大腿。

·OSM模型在共享充电业务中的应用

在小电期间，我们就为了提升各城市毛利，用Osm模型进行目标拆解、策略梳理、指标监控，最后根据不同城市进行策略实施，为运营部门精细化管理提供了数据赋能。

OSM模型：把宏大的目标拆解，对应到部门内各个小组具体的、可落地、可度量的行为上，从保证执行计划没有偏离大方向

4、RFM模型

R就是最近一次消费时间 (Recency)，取数的时候一般取最近一次消费记录到当前时间的间隔，比如7天、30天、90天未到店消费。

F是一定时间内消费频率 (Frequency)，取数时，一般是取一个时间段内用户消费频率。

M是一定时间内累计消费金额(Monetary) ，取数时，一般是取一个时间段内用户消费金额。

RFM本质上是一种用三个分类维度，找判断标准方法。通过三个维度的组合计算，能判定出用户的好坏，然后采取对应措施。衡量 客户价值 和 客户创利能力 的重要工具和手段。在众多的客户关系管理（CRM）的分析模式中，RFM模型是被广泛提到的。该模型通过一个客户的近期购买行为（Recency）、购买的总体频率（Frequency）以及花了多少钱（Monetary ）三项指标来描述该客户的价值状况。

根据RFM模型的组合，可以得到9种用户分类，然后根据用户划分可以差异化的进行用户运营管理，比如重要挽留客户

·RFM模型短板

RFM最大的短板，在于用户ID统一认证。比如去超市、连锁店、门店买东西，往往收银会机械的问一句：有会员卡吗？如果回答没有，也放你过去了。导致的结果，是线下门店的订单，一般有70%-90%无法关联到用户ID，进而导致整个用户数据是严重缺失的，直接套RFM很容易误判用户行为。

至于用户一人多张会员卡轮流薅羊毛，多个用户共同一张VIP卡拿最大折扣，店员自己用亲戚的卡把无ID订单的羊毛给薅了之类的事，更是层出不穷，而且在实体企业、互联网企业都普遍存在。所以做RFM模型的时候，如果你真看到111类用户，别高兴太早，十有八九是有问题的。现在的企业往往在天猫、京东、自有微商城、有赞等几个平台同时运作，更加大了统一认证的难度。如果没有规划好，很容易陷入无穷无尽的补贴大坑。

·关于RFM模型的应用思考

单纯讲RFM，不结合产品、活动，是很容易出BUG的。

R：用户离得越久就越有流失风险

如果是服装这种季节性消费，用户间隔2-3个月是很正常

如果是手机、平板这种新品驱动产品，间隔时间基本跟着产品更新周期走

如果是家居、住房、汽车这种大件耐用品，R就没啥意义，用户一辈子就买2次

如果是预付费，后刷卡的模式，R就不存在了，需要用核销数据代替

所以，R不见得就代表着用户有流失风险，特别是现在有了埋点数据以后，用户互动行为更能说明问题。

F：用户频次越高越忠诚

如果用户消费是事件驱动的，比如赛事、节假日、生日、周末……

如果用户消费是活动驱动的，比如啥时候有优惠啥时候买……

如果用户消费是固定模式的，比如买药的用量就是30天……

以上情况都会导致F的数值不固定，可能是随机产生的，也可能是人为操纵的。很多企业僵硬地执行RFM模型，往往会定一个固定的F值，比如促使用户买4次，因为数据上看买了4次以上的用户就很忠诚。结果就是引发用户人为拆单，最后F值做上去了，利润掉下来了。

M: 用户买的越多越有价值

如果用户是图便宜，趁有折扣的时候囤货呢？

如果用户买了一堆，已经吃腻了、用够了呢？

如果用户买的是耐用品，买完这一单就等十几二十年呢？

如果用户消费本身有生命周期，比如母婴，游戏，已经到了生命周期末尾呢？

很多情况下，用户过去买的多，不代表未来买的多。这两者不划等号。因此真看到011、001、101的客人，别急着派券，整明白到底出了啥问题才是关键。

综合RFM失效的场景，可以看出：季节性、商品特征、促销活动、节假日事件、用户生命周期，这五大要素，都会影响到用户的行为。因此不局限于RFM，深入研究用户场景非常关键。

5、聚类分析

人们常说：“物以类聚, 人以群分” ，其实聚类分析就是用一种科学的方法进行非监督性的分类。基本原理是认为研究的样本或变量之间存在着程度不同的相似程度（亲疏关系）。

基本原理是认为研究的样本或变量之间存在着程度不同的相似程度（亲疏关系）。

根据一批样本的多个观测指标，找出能够度量样本或变量之间相似程度的统计量，把相似程度较大的样本（或指标）聚合为一类，把另外一些相似程度较大的样本（或指标）聚合为一类，直到把所有的样本（或指标）都聚合完毕，形成一个由小到大的分类系统。

聚类分析主要有四步：

·某银行金融产品用户聚类分析

很多做金融的同学应该知道，信贷部会对我们的用户做画像，从而对用户贷款额度进行管理。

这里我们根据前面的指标把用户分成了5类：

如图：

然后我们针对不同客户群体，进行理财产品推荐，运营管理等

6、判别分析

和前面非监督性学习的聚类相对的是监督性学习，这里介绍的是判别分析。判别分析，本质上是按照一定的判别准则，建立一个或多个判别函数，用研究对象的大量资料确定判别函数中的待定系数，并计算判别指标。据此即可确定某一样本属于何类。

判别分析又称“分辨法”，是在分类确定的条件下，根据某一研究对象的各种特征值判别其类型归属问题的一种多变量统计分析方法。基本原理是按照一定的判别准则，建立一个或多个判别函数，用研究对象的大量资料确定判别函数中的待定系数，并计算判别指标。据此即可确定某一样本属于何类。

解决问题：已知某种事物有几种类型，现在从各种类型中各取一个样本，由这些样本设计出一套标准，使得从这种事物中任取一个样本，可以按这套标准判别它的类型。

判别方法：最大似然法、距离判别、Fisher判别、Bayes判别（Bayes判别比Fisher判别更加完善和先进，它不仅能解决多类判别分析，而且分析时考虑了数据的分布状态，所以一般较多使用；）

与聚类分析区别

1）聚类分析可以对样本逬行分类，也可以对指标进行分类；而判别分析只能对样本。

2）聚类分析事先不知道事物的类别，也不知道分几类；而判别分析必须事先知道事物的类别，也知道分几类。

3）聚类分析不需要分类的历史资料，而直接对样本进行分类；而判别分析需要分类历史资料去建立判别函数，然后才能对样本进行分类。

· bayes判别分析

贝叶斯公式：

P(A|B)=P(B|A)∗P(A)/P(B)=P(A∩B)/P(B)

其中P(A)表示事件A发生的概率，称为先验概率，P(A|B)表示在事件B已经发生的条件下，事件A发生的概率，称为后验概率。

贝叶斯规则尽管它是一个数学公式，但其原理无需数字也可明了。如你看到一个人总是做一些好事，则那个人多半会是一个好人。这就是说，当你不能准确知悉一个事物的本质时，你可以依靠与事物特定本质相关的事件出现的多少去判断其本质属性的概率。用数学语言表达就是：支持某项属性的事件发生得越多，则该属性成立的可能性就越大。

·bayes判别分析—二手车评估

我曾经做过 一个二手车评估项目，就是基于Bayes判别分析做的，二手车平台有专业的鉴定师，他们根据经验对15个指标 进行分析，得出对应的等级，然后因为人物鉴定工作量大、且受个人经验影响较大，无法规模化。通过判别分析的方法可以把鉴定师历史的判定结果进行训练，然后进行机器学习，得到需要评估车辆的等级。

总结

以上就是本次分享的全部内容！分享一句：通过分析发现数据的规律帮助揭示所谓已知的未知正如你所看到的，可能性是无限的！

然而，实际工作中还有跟深层次的问题等待解决。想系统，高效的学习了解数据分析模型，不是一次分享能全部了解的。我们最终的目的是要解决问题，就是发现问题，解决问题就是发现业务中的问题，然后并去解决。学贵在行，需要我们在以后的学习工作中不断地积累经验掌握工具，学以致用。能站在多方角度，发现问题，分析问题，解决问题，总结问题。

后期小飞象会继续为邀请各业的精英分享数据领域的内容。祝愿大家都能在自己所在的领域内，用数据思维，成就更好的自己，在可预见的未来，遇到更好的自己。谢谢大家！